A Hybrid Labeled Multi-Bernoulli Filter With Amplitude For Tracking Fluctuating Targets
为了提高跟踪性能，许多跟踪算法都加入了目标回波幅度信息。采用幅度特征的局限性之一是目标的信噪比（SNR），即，通常假定振幅似然的参数是已知的和恒定的。在实际应用中，目标信噪比总是未知的，并且依赖于方位角，因此它会波动。本文提出了一种混合标记多贝努利（LMB）滤波器，它将信号幅度引入LMB滤波器，用于跟踪未知和波动信噪比的目标。目标信噪比的波动由自回归伽马过程建模，并考虑了Swerling 1和3目标的幅度似然。在Rao-Blackwell分解下，提出了一种基于Laplace变换和Markov Chain Monte Carlo方法的近似Gamma估计器来估计目标信噪比，并在目标信噪比的条件下，采用高斯混合滤波器来估计运动状态。通过一个包含三个交叉目标的跟踪场景分析了该混合滤波器的性能。仿真结果验证了所提出的SNR估计器的有效性，并量化了将幅度信息用于多目标跟踪的好处。
2022-09-19 eess.SP
A Merge/Split Algorithm for Multitarget Tracking Using Generalized Labeled Multi-Bernoulli Filters
被称为增量广义标记多伯努利（dGLMB）滤波器的标记随机有限集滤波器的类别将滤波密度表示为加权假设的集合，其中每个假设由标记轨迹的集合组成，所述标记轨迹又是轨迹标记和轨迹运动密度的对。在用一批测量更新时，每个假设产生许多子假设，因此对于任何实际应用都必须执行截断。有限的计算预算可能导致退化，从而丢失磁道。为了减轻，我们通过使用一种新的合并/分裂算法，采用了一个因子过滤密度。合并早已建立在文献中，我们的分裂算法是通过一个高效和有效的边缘化方案，通过索引的运动密度的测量ID（在移动窗口），已在其更新。这使我们能够确定何时独立性可以被认为近似地保持给定的公差，以便自适应地选择跟踪的“分辨率”，从单个因子（dGLMB）到所有单例因子（标记多伯努利，LMB），以及介于两者之间的任何地方。
2021-08-08 eess.IV eess.SP
Extended target Poisson multi-Bernoulli mixture trackers based on sets of trajectories
泊松多伯努利混合（PMBM）是一个多目标分布，其预测和更新是封闭的。通过将随机有限集（RFS）框架应用于多目标跟踪，以轨迹集作为感兴趣的变量，PMBM跟踪器可以有效地估计目标轨迹集。本文推导了两种用于扩展目标跟踪的轨迹RFS滤波器，称为扩展目标PBM跟踪器。与基于目标集合的扩展目标PMBM滤波器相比，扩展目标PMBM跟踪器提供了时间步之间的显式跟踪连续性。
2019-11-19 eess.SP
Multi-sensor joint target detection, tracking and classification via Bernoulli filter
研究了多传感器融合的目标\textit{joint detection, tracking and classification}（JDTC）。目标可以存在或不存在，可以属于不同的类，并且根据其类可以根据不同的运动模式表现。因此，它被建模为一个适当的扩展伯努利\textit{random finite set}（RFS）唯一的特征在于存在，分类，类条件模式和类\&模式条件状态概率分布。通过设计合适的集中式和分布式融合规则，融合来自不同传感器节点的目标存在、类别、模式和状态信息，提出了新的\textit{centralized}和\textit{distributed} JDTC \textit{Bernoulli filters}（C-JDTC-BF和D-JDTC-BF）。通过仿真实验对所提出的JDTC-BF方法的性能进行了评估。
2021-09-23 cs.SY eess.SP eess.SY
Chernoff fusion of Bernoulli Gaussian max filters
针对分布式跟踪中信息源统计相关性未知易导致跟踪发散的问题，本文推导了伯努利高斯最大滤波器的精确切尔诺夫融合方程，并验证了该可能性融合方案在统计相关性未知场景下的有效性。
2024-10-30 eess.SP
Robust Multi-Sensor Multi-Target Tracking Using Possibility Labeled Multi-Bernoulli Filter
针对多传感器多目标跟踪中信息不完整导致的认知不确定性，本文基于带标签UFS理论提出可能性LMB滤波器及其融合方案，以较低复杂度实现鲁棒跟踪并优于典型概率方法。
2024-01-04 cs.IT eess.SP math.IT
Transformer Based Multi-Target Bernoulli Tracking for Maritime Radar
本文提出基于Transformer与LMB滤波器的海事多目标跟踪方法，利用注意力图设计量测驱动出生密度，在低信干比场景下性能优于CFAR技术。
2025-06-25 eess.IV eess.SP
Interaction-Aware Labeled Multi-Bernoulli Filter
RMIT University（皇家墨尔本理工大学）
实时跟踪多个目标是智能交通系统的重要组成部分。基于随机有限集（RFS）的滤波器是用于跟踪多个对象的新兴技术之一。在多目标跟踪（MOT）中，一个常见的假设是每个目标都独立于其周围环境而运动。但在许多现实世界的应用中，目标对象相互之间以及与环境相互作用。当考虑用于跟踪时，这样的交互通常由应用特定的交互式运动模型来建模。在本文中，我们提出了一种新的方法，将目标相互作用的预测步骤的基于RFS的多目标过滤器，即标记的多伯努利（LMB）过滤器。该方法已开发用于跟踪协调群体和车辆的两个实际应用。该方法已被测试为一个复杂的车辆跟踪数据集，并通过OSPA和OSPA $^{(2)}$指标与LMB滤波器进行了比较。结果表明，所提出的交互感知方法描绘了相当大的性能增强LMB滤波器在选定的指标。
2022-04-19 cs.CV eess.SP
Multi-Bernoulli Mixture Filter: Complete Derivation and Sequential Monte Carlo Implementation
多伯努利混合（MBM）滤波器是随机有限集（RFS）框架下的一种精确封闭形式的多目标贝叶斯滤波器，它利用多伯努利混合密度作为多目标共轭先验。该滤波器是Poisson多Bernoulli混合滤波器在出生过程变为多Bernoulli RFS或Poisson RFS变为多Bernoulli混合RFS时的变体。另一方面，标记的多伯努利混合滤波器演变为MBM滤波器时，标签被丢弃。在这封信中，我们提供了一个完整的推导MBM滤波器的更新步骤的推导不使用概率生成功能。我们还描述了顺序蒙特卡罗实现，并采用吉布斯采样截断MBM滤波密度。非线性测量模型的数值模拟表明，MBM滤波器优于经典的概率假设密度滤波器。
2019-11-09 eess.SP
Efficient Implementation of Multi-sensor Adaptive Birth Samplers for Labeled Random Finite Set Tracking
本文针对标记随机有限集多传感器自适应出生过程提出五项效率增强措施，在保持跟踪性能的同时显著降低计算复杂度。
2025-06-20 eess.SP
Cell Multi-Bernoulli (Cell-MB) Sensor Control for Multi-object Search-While-Tracking (SWT)
Cornell University（康奈尔大学）；Marshall University（马歇尔大学）
本文提出了一种用于多目标搜索与跟踪传感器控制的新型RFS预期信息增益可处理近似方法，考虑了噪声、漏检、误报及目标出现/消失，并通过真实视频实验验证了其有效性。
2022-07-12 cs.CV eess.SP
Data-driven clustering and Bernoulli merging for the Poisson multi-Bernoulli mixture filter
针对高目标数场景下泊松多伯努利混合滤波器计算复杂度高的问题，提出测量驱动聚类与伯努利分量合并交换的方法，经千级目标仿真验证可有效降维并适配多目标跟踪。
2022-11-15 eess.SP stat.CO
Multi-sensor Joint Adaptive Birth Sampler for Labeled Random Finite Set Tracking
本文提出了一种可扩展的，多传感器测量自适应航迹起始技术标记随机有限集滤波器。多传感器测量自适应出生集分布的朴素构造导致传感器数量中的新生组件的指数数量。建立了标记多重Bernoulli随机有限集出生密度的截断准则。所提出的截断准则被证明在广义标记多伯努利后验密度中具有有界L1误差。这个标准是用来构建一个吉布斯采样器，产生一个截断的测量生成的标记的多伯努利出生分布与二次复杂的传感器的数量。假设线性高斯似然的条件采样分布的封闭形式的解决方案，旁边的近似解决方案，使用蒙特卡洛重要性抽样。多个仿真结果验证了截断准则的有效性，以及复杂度的降低。
2022-04-29 cs.SY eess.SP eess.SY
Multi-Object Tracking using Poisson Multi-Bernoulli Mixture Filtering for Autonomous Vehicles
Michigan State University（密歇根州立大学）
自动驾驶汽车执行3D跟踪的能力对于在混乱环境中安全规划和导航至关重要。在自动驾驶应用中，多目标跟踪（MOT）的主要挑战在于关于目标的数量、目标可能出现和消失的时间和地点以及关于目标状态的不确定性的固有不确定性。基于随机有限集（RFS）的方法可以很自然地对这些不确定性进行精确和优雅的建模，并且它们已经被广泛地应用于雷达跟踪应用中。在这项工作中，我们开发了一个基于RFS的MOT框架的三维激光雷达数据。特别地，我们提出了一种泊松多伯努利混合（PMBM）滤波器来解决自动驾驶应用中的非模态MOT问题。据我们所知，这是首次尝试将基于RFS的方法与3D LiDAR数据结合用于MOT应用，并使用行业领导者提供的具有挑战性的数据集进行全面验证。我们的PMBM跟踪器在公共Waymo和Argoverse数据集上的卓越实验结果清楚地表明，基于RFS的跟踪器优于许多最先进的基于深度学习和基于卡尔曼滤波器的方法，因此，这些结果表明进一步探索基于RFS的3D MOT应用框架的巨大潜力。
2021-03-13 cs.CV cs.RO eess.SP
Linear Complexity Gibbs Sampling for Generalized Labeled Multi-Bernoulli Filtering
针对GLMB滤波中NP难的计算瓶颈，提出线性复杂度温和吉布斯采样框架，将复杂度从O(TP²M)降至O(T(P+M+logT)+PM)，并验证收敛性与性能。
2023-12-28 eess.SP stat.CO stat.ML
Tracking Cells and their Lineages via Labeled Random Finite Sets
在活细胞实验中确定细胞及其谱系或祖先的轨迹是理解细胞如何行为和分裂的基础。本文提出了一种新的在线算法，用于联合跟踪和解决一个未知的和随时间变化的细胞数量从延时视频数据的谱系。我们的方法涉及建模的细胞系作为一个标记的随机有限集的标签代表细胞的身份和血统。一个产卵模型的开发，以考虑到细胞谱系和细胞分裂前外观的变化。然后，我们推导出分析过滤器来传播包含当前细胞系综（包括其谱系）信息的多对象分布。我们还开发了由此产生的多对象过滤器的数值实现。使用模拟，合成细胞迁移视频和实时延时序列的实验，展示了解决方案的能力。
2021-10-27 eess.SP
An Implementation of the Poisson Multi-Bernoulli Mixture Trajectory Filter via Dual Decomposition
本文提出了一种有效的实现泊松多伯努利混合（PMBM）轨迹滤波器。提出的实现执行面向轨迹的N扫描修剪，以限制复杂度，并使用对偶分解来解决所涉及的多帧分配问题。与现有的用于目标集的PBM滤波器相比，PBM轨迹滤波器基于轨迹集，其确保正式地保持跟踪连续性。由此产生的过滤器是一个有效的和可扩展的近似贝叶斯最优多目标跟踪算法，其性能进行了比较，在仿真研究中，PMBM目标过滤器，和三角洲广义标记的多伯努利滤波器，在状态/轨迹估计误差和计算时间。
2018-11-29 eess.SP
Multi-target Joint Detection, Tracking and Classification Based on Generalized Bayesian Risk using Radar and ESM sensors
提出了一种基于标记随机有限集和广义贝叶斯风险的雷达和ESM传感器多目标联合检测、跟踪和分类方法。定义了一种新的贝叶斯风险，用于标记随机有限集变量，涉及多目标基数估计（检测），状态估计（跟踪）和分类的成本。然后利用检测、跟踪和分类的相互依赖性，使贝叶斯风险最小。此外，条件标记的多伯努利滤波器被开发来计算的估计和成本的不同假设和决策的目标类使用属性和动态测量。此外，性能进行了分析。数值仿真结果验证了该方法的有效性和优越性。
2018-07-06 eess.SP
A Track-Before-Detect Trajectory Multi-Bernoulli Filter for Nested Superpositional Measurements
University of Liverpool（利物浦大学）；Universidad Politécnica de Madrid（马德里理工大学）
本文提出了一种适用于通用叠加测量的轨迹先检测多伯努利滤波器，通过高斯实现实现了计算高效的跟踪性能提升。
2026-08-28 eess.SP
Multisensor Poisson Multi-Bernoulli Filter for Joint Target-Sensor State Tracking
Chalmers University of Technology（查尔姆斯理工大学）；DENSO Sweden AB（电装瑞典有限公司）
本文提出了一种多传感器低复杂度泊松多伯努利多目标跟踪滤波器，用于联合跟踪不确定的车辆状态和目标状态，通过逐步融合不同传感器的测量数据来提高跟踪性能。
2019-01-14 cs.SY eess.SP eess.SY
Multipath Extended Target Tracking with Labeled Random Finite Sets
Beihang University（北京航空航天大学）；North China University of Technology（华北理工大学）；Southeast University（东南大学）
本文提出MPET-GLMB滤波器，通过统一的贝叶斯框架联合建模目标存在、测量分割和轨迹关联，提升多径环境下目标跟踪的准确性和鲁棒性。
2026-03-07 eess.SP
Multi-Scan Implementation of the Trajectory Poisson Multi-Bernoulli Mixture Filter
Poisson多Bernoulli混合分布（PMBM）和多Bernoulli混合分布（MBM）是两种多目标分布，它们存在封闭形式的滤波递归。PMBM具有泊松出生过程，而MBM具有多伯努利出生过程。本文考虑了最近开发的多目标跟踪问题的制定使用随机有限的轨迹集，通过明确建立跟踪连续性。提出了一种多扫描轨迹PMBM滤波器和一种多扫描轨迹MBM滤波器，该滤波器具有校正过去数据关联决策以改善当前决策的能力。此外，多扫描轨迹$\text{MBM}_{01}$过滤器，其中所有伯努利分量的存在概率为0或1，提出。本文提出了一种有效的实现，执行面向轨道的$N$扫描修剪，以限制计算复杂度，并使用对偶分解来解决所涉及的多帧分配问题。所提出的多目标跟踪器的性能，应用一个有效的固定滞后平滑方法，在仿真研究中进行评估。
2020-02-28 eess.SP
An Extended Object Poisson Multi-Bernoulli Filter with Zero-Inflated Poisson Measurement Model Using Belief Propagation
Durham University（杜伦大学）；Shanghai Jiao Tong University（上海交通大学）；Chungnam National University（忠南国立大学）；Southeast University（东南大学）
提出一种利用粒子置信传播高效实现零膨胀泊松模型下扩展目标泊松多伯努利滤波器的方法，通过因子图分解数据关联，提高估计精度和运行速度。
2026-08-11 eess.SP
Histogram-Probabilistic Multi-Hypothesis Tracking with Integrated Target Existence
Norwegian University of Science and Technology（挪威科技大学）；Universidad Politécnica de Madrid（马德里理工大学）
针对多目标先跟踪后检测问题，提出综合存在泊松直方图概率多假设跟踪器，通过添加目标存在概率扩展H-PMHT框架，利用泊松点过程测量模型等实现综合航迹管理，仿真评估显示了该算法性能。
2026-07-20 eess.SP
Cross-domain Learning Framework for Tracking Users in RIS-aided Multi-band ISAC Systems with Sparse Labeled Data
College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）
针对 RIS 辅助多频段 ISAC 中 CSI 多模态、异步流量及标注稀疏问题，提出基于 transformer 与对抗学习的跨域 X2Track 框架，实现分米级跟踪并仅需 5% 标注数据。
2024-05-10 cs.AI eess.SP
On Gibbs Sampling Architecture for Labeled Random Finite Sets Multi-Object Tracking
本文针对标记随机有限集多目标跟踪，提出了一种支持并行处理的短链多仿真样本生成技术和两种启发式早期终止准则，以更少的马尔可夫链观测实现相似采样性能。
2023-06-27 cs.SY eess.SP eess.SY
Multi-Target Tracking with Dependent Likelihood Structures in Labeled Random Finite Set Filters
在多目标跟踪中，数据关联假设将测量分配给航迹，并且（联合目标测量关联的）假设似然用于在有限计算预算下在所有假设之间进行比较以进行截断。然而，通常假设个体目标-测量关联可能性独立于其他，即，无论它属于哪种假设，它都是一样的。在面向轨道的多假设跟踪（TO-MHT）的情况下，这导致假设空间的简约表示，其中通过求解线性规划问题获得极大似然解。在标签随机有限集（标签RFS）过滤器，这导致了一种有效的方式来获得排名靠前的假设，通过解决排名分配问题，使用Murty的算法。在本文中，我们提出了一个建议和验证的方法，某些依赖的似然结构，这样的真实假设的可能性进行评估，共同为组成的轨道测量协会，以说明它们之间的依赖性，但在同一时间，排名仍然是有效地获得。这是通过在独立性假设下提出候选排名，然后逐个评估真实似然来实现的，对于某些依赖似然结构，保证不从其候选值增加，直到获得期望数量的排名靠前的假设。这种依赖似然结构的例子包括碰撞似然结构和遮挡似然结构，这两种结构在应用中经常遇到。
2021-08-08 eess.SP stat.ME
A Track-Before-Detect Approach to Multi-Target Tracking on Automotive Radar Sensor Data
近年来，贝叶斯滤波方法在标记随机有限集公式在多目标跟踪领域变得越来越强大。广义标记多伯努利（GLMB）滤波器是最新的研究成果之一，它可以在统一的框架内实现稳定的基数、目标状态估计和目标识别。与GLMB滤波器的初始上下文相比，本文将其用于检测前跟踪（TBD）方案中，从而避免了由于阈值处理和其他数据预处理步骤而导致的信息丢失。本文提供了一个TBD GLMB滤波器设计下的可分离的似然假设，可应用于现实世界的场景和数据中的汽车雷达背景。它的适用性，以真实的传感器数据证明在一个示例性的情况下。据作者所知，GLMB滤波器应用于实际雷达数据中的TBD框架的第一次。
2020-07-09 eess.SP
Efficient approximations of the multi-sensor labelled multi-Bernoulli filter
在本文中，我们提出了两个有效的，近似公式的多传感器标记的多伯努利（LMB）滤波器，这两个允许传感器的测量更新并行计算。我们的第一个过滤器是基于多传感器，多目标贝叶斯滤波器的后验分布的直接数学运算。不幸的是，它需要划分的概率分布和它的扩展超出线性高斯应用是不明显的。我们的第二个过滤器是基于几何平均融合，它近似的多传感器，多目标贝叶斯滤波器的后验分布使用每个传感器的测量更新分布的几何平均值。这个滤波器可以在非线性条件下使用;但是，它不如我们的第一个滤波器精确。在这两种情况下，我们近似的LMB滤波器的测量更新使用现有的循环的信念传播算法。两种滤波器在传感器数量上具有恒定的复杂度，在测量和对象数量上具有线性复杂度。这是对迭代校正LMB（IC-LMB）滤波器的改进，该滤波器在传感器数量上具有线性复杂度。当使用多个传感器跟踪多个对象时，所提出的滤波器是感兴趣的，其中滤波器运行时间比滤波器精度更重要。我们评估了两种滤波器在模拟数据上的性能，结果表明，与IC-LMB滤波器相比，滤波器的精度损失并不显著。
2022-07-10 eess.SP
Scalable Detection and Tracking of Geometric Extended Objects
多目标跟踪提供了态势感知，使新的应用程序为现代便利，公共安全和国土安全。本文提出了一种因子图公式和基于粒子的和积算法（SPA）的可扩展的目标检测和跟踪。该方法动态地引入新检测到的对象的状态，有效地执行概率多测量对象关联，并联合推断对象的几何形状。可扩展的扩展对象跟踪（EOT）的建模关联不确定性的测量为导向的关联变量和新检测到的对象的泊松出生过程。与传统的EOT方法相反，完全基于粒子的方法可以描述不同的几何对象形状。所提出的方法可以可靠地检测，定位和跟踪大量的密集扩展的对象，而无需门控和聚类的测量。我们证明了显着的性能优势，我们的方法相比，最近推出的泊松多伯努利混合滤波器。特别是，我们考虑了一个模拟的场景，其中有多达20个近距离物体和一个真正的自动驾驶应用程序，其中测量结果由激光雷达传感器捕获。
2021-12-09 eess.SP
A Scalable Hybrid Track-Before-Detect Tracking System: Application to Coastal Maritime Radar Surveillance
本文提出一种结合IE-PHPMHT检测前跟踪模块与PMBM点目标跟踪器的可扩展混合跟踪框架，利用高低阈值检测协同实现弱目标早期起始与强目标稳健跟踪，并在真实X波段沿海雷达数据上验证了其全规模多目标跟踪性能。
2025-08-22 eess.SP
Deterministic Multi-sensor Measurement-adaptive Birth using Labeled Random Finite Sets
针对带标签随机有限集多目标滤波中的多传感器测量自适应航迹起始，本文提出确定性 herded Gibbs 采样截断方法，在保持平均跟踪性能的同时提升鲁棒性与安全性。
2023-07-12 cs.SY eess.SP eess.SY
Set-Type Belief Propagation with Applications to Poisson Multi-Bernoulli SLAM
Chungnam National University（忠南大学）；University of Liverpool（利物浦大学）；Universidad Antonio de Nebrija（安东尼奥·德·内布里哈大学）；Chalmers University of Technology（查尔姆斯理工大学）；Linköping University（林雪平大学）
本文提出适用于元素数量未知 RFS 序列因子图的集合型 BP 规则，并将其用于 PMB-SLAM，推导多种新滤波器且性能优于向量型 BP-SLAM。
2024-04-04 cs.AI eess.SP
Poisson multi-Bernoulli mixture trackers: continuity through random finite sets of trajectories
Chalmers Univ. of Tech.（查尔姆斯理工大学）；Defence Science and Tech. Group（国防科学与技术集团）；Univ. of Liverpool（利物浦大学）
本文提出了一种基于随机有限集（RFS）轨迹的泊松多伯努利混合跟踪器（PMBM跟踪器），通过将多目标跟踪问题建模为轨迹的RFS，建立了与MHT相似的连续性。
2018-12-12 cs.SY eess.SP eess.SY
Poisson Multi-Bernoulli Mixtures for Sets of Trajectories
Zoox（佐克斯公司）；Chalmers University of Technology（查尔姆斯理工大学）；Shanghai Jiaotong University（上海交通大学）；Whipbird Signals（惠普伯德信号公司）；University of Liverpool（利物浦大学）
本文证明PMBM密度对轨迹集合共轭，提出两个轨迹PMBM滤波器以递归计算后验密度，实现最优轨迹估计，并验证其性能优于现有算法。
2024-12-15 cs.RO eess.IV eess.SP
Tractable Approximation of Labeled Multi-Object Posterior Densities
School of Electrical Engineering, Computing and Mathematical Sciences, Curtin University（科廷大学电气、计算和数学科学学院）
研究状态空间模型中多目标估计，提出多扫描GLMB近似方法，匹配标记多目标后验密度轨迹基数分布，证明其能最小化Kullback-Leibler散度，开发算法并通过实验验证该近似方法的有效性。
2026-07-27 eess.SP stat.ME
LiDAR Point Cloud-based Multiple Vehicle Tracking with Probabilistic Measurement-Region Association
Beihang University（北京航空航天大学）；Vitalent Consulting（维塔伦特咨询公司）；Linköping University（林雪平大学）；James Cook University（詹姆斯库克大学）
针对车载LiDAR点云的多车辆扩展目标跟踪问题，提出概率量测-区域关联PMRA模型，结合PMBM滤波器提升位置与范围估计精度。
2024-05-18 cs.RO eess.SP
Mono-Camera 3D Multi-Object Tracking Using Deep Learning Detections and PMBM Filtering
Zenuity（泽纽伊提）；Chalmers University of Technology（查尔姆斯理工大学）
单目摄像头是自动驾驶汽车行业中最常用的传感器之一。使用单目相机的一个主要缺点是它只能在二维的图像平面中进行观察，并且不能直接测量到物体的距离。在本文中，我们的目标是填补这一空白，开发一个多目标跟踪算法，以图像作为输入，并产生在世界坐标系中检测到的对象的轨迹。我们通过使用深度神经网络来解决这个问题，该网络经过训练，可以从单个输入图像中检测和估计到物体的距离。从一系列图像的检测馈入到一个国家的最先进的泊松多伯努利混合跟踪滤波器。学习的检测器和PMBM滤波器的组合导致仅使用单相机图像作为输入来实现3D跟踪的算法。该算法的性能进行评估，在3D世界坐标，和2D图像坐标，使用公开可用的KITTI对象跟踪数据集。该算法显示出准确跟踪对象，正确处理数据关联的能力，即使图像中的对象有很大的重叠，并且是KITTI对象跟踪基准测试中表现最好的算法之一。此外，该算法是高效的，平均每秒运行接近20帧。
2018-02-27 cs.CV eess.SP
Label Space Partition Selection for Multi-Object Tracking Using Two-Layer Partitioning
本文针对多目标跟踪中的数据关联模糊性和计算量激增问题，提出了一种基于二次划分技术的标签分组高效实现方法，用于广义标记多伯努利滤波器框架，实现了并行计算并避免了重复比较，在大规模数据集上表现出卓越的可扩展轨迹估计性能。
2023-10-23 cs.DB eess.SP
Split Happens! Imprecise and Negative Information in Gaussian Mixture Random Finite Set Filtering
Purdue University（普渡大学）；Cornell University（康奈尔大学）
本文提出一种系统方法，将传感器视场几何与目标包含/排除证据纳入随机有限集多目标基数分布，并基于递归组件分裂的高斯混合近似求解非线性状态估计，推导出用于不精确测量的高斯混合伯努利滤波器，在自然语言跟踪和多伯努利传感器规划中验证有效性。
2023-02-01 cs.RO eess.SP
LMB Filter Based Tracking Allowing for Multiple Hypotheses in Object Reference Point Association*
Ulm University（乌尔姆大学）
自动驾驶汽车需要精确了解周围的动态物体。特别是在具有许多物体和可能的遮挡的城市区域中，基于多传感器设置的基础设施系统可以为车辆提供所需的环境模型。之前，我们已经发布了对象参考点（例如，对象的角落）的概念，其允许通用传感器“即插即用”接口和相对便宜的传感器。本文介绍了一种新的方法，另外将多个假设融合的对象参考点的测量使用扩展到以前提出的标记多伯努利（LMB）滤波器。与以前的工作相比，这种方法提高了跟踪质量的情况下，正确的关联的测量和对象的参考点是未知的。此外，本文确定了基于物理模型的选项，以在早期阶段整理出不一致和不可行的关联，以保持该方法在计算上易于处理的实时应用。该方法进行了评估模拟以及真实的场景。与同类方法相比，所提出的方法显示出相当大的性能提高，特别是非连续轨道的数量显着减少。
2020-11-11 cs.RO eess.SP
Efficient Implementations of Extended Object PMBM Filters with Blocked Gibbs Sampling
Shanghai Jiao Tong University（上海交通大学）；Universidad Politécnica de Madrid（马德里理工大学）；Chalmers University of Technology（查尔姆斯理工大学）
本文基于泊松多伯努利混合滤波器研究多扩展目标跟踪，提出高效实现方法，通过阻塞Gibbs抽样提升数据关联效率，采用伽马高斯逆 Wishart模型验证方法有效性，实验显示性能相当但运行时间更短。
2026-09-28 eess.SP stat.ME
Efficient Sensor Management for Multitarget Tracking in Passive Sensor Networks via Cauchy-Schwarz Divergence
针对被动传感器网络中的多目标跟踪问题，提出了一种有效的传感器管理方法。与有源传感器网络相比，无源传感器网络由于其无源感知的特性，具有更大的不确定性。被动传感器网络中的多目标跟踪是一个具有挑战性的问题，因为多传感器多目标融合问题是困难的，传感器管理是必要的，以实现良好的平衡之间的跟踪精度和能量消耗或其他成本。为了解决这个问题，我们提出了一个有效的信息理论的方法来管理传感器更好地跟踪未知和时变数量的目标。这是通过两项主要的技术创新实现的。第一种是通过部分观测的马尔可夫决策过程框架的易处理的基于信息的多传感器选择解决方案。Cauchy-Schwarz发散被用作从候选者中顺序选择信息传感器的标准。第二种是基于迭代校正多传感器广义标记多Bernoulli滤波器的两级融合策略。由于迭代校正方案的性能很大程度上受传感器更新顺序的影响，所选择的传感器首先根据Cauchy-Schwarz散度按其检测目标的能力进行排序，然后进行迭代校正更新。排序的传感器的计算成本是可以忽略不计的，因为柯西-施瓦茨分歧已计算在多传感器选择过程。仿真结果验证了该方法的有效性和效率。
2020-11-03 cs.SY eess.SP eess.SY
Arithmetic Average Density Fusion -- Part III: Heterogeneous Unlabeled and Labeled RFS Filter Fusion
本研究针对多传感器多目标跟踪中异构RFS滤波器的密度融合问题，提出基于高斯混合的PHD共识坐标下降法，仅修正局部高斯分量权重，有效实现PHD-MB-LMB滤波器的同构与异构融合。
2023-11-13 cs.SY eess.SP eess.SY
